Segment Anything Model for Road Network Graph Extraction

我们提出了SAM-Road，这是Segment Anything Model（SAM）的一种改进，用于从卫星图像中提取大规模、矢量化的道路网络图。为了预测图形几何形状，我们将其制定为密集的语义分割任务，利用了SAM的固有优势。SAM的图像编码器进行微调，以生成道路和交叉口的概率掩码，从中通过简单的非极大值抑制提取出图形顶点。为了预测图形拓扑，我们设计了一种轻量级的基于Transformer的图神经网络，利用SAM的图像嵌入来估计顶点之间边缘存在的概率。我们的方法可以直接预测大区域的图形顶点和边缘，无需进行昂贵和复杂的后处理启发式算法，能够在几秒钟内构建跨越多个平方公里的完整道路网络图。通过其简单、直观和极简主义的设计，SAM-Road在城市规模数据集上实现了与最先进的方法RNGDet++相当的准确性，同时速度快了40倍。因此，我们展示了基础视觉模型在应用于图形学习任务时的能力。代码可在https://github.com/htcr/sam_road上获得。

SAM-Road试图从卫星图像中提取大规模、矢量化的道路网络图，解决了如何快速、准确地构建城市道路网络的问题。

SAM-Road采用了基于SAM的图像编码器和基于Transformer的图神经网络，直接预测道路网络图的顶点和边，避免了昂贵而复杂的后处理启发式方法。

SAM-Road是一种快速、准确、简单的方法，能够在几秒钟内构建跨越数平方公里的完整道路网络图，比RNGDet++快40倍。作者开源了代码，并在多个数据集上进行了实验验证。

最近在这个领域中，还有一些相关的研究，如基于深度学习的道路提取方法、基于图神经网络的道路网络图构建方法等。